具有双储层结构的动态误差补偿回声状态网络

针对传统回声状态网络难以有效应对高阶非线性复杂模型问题,本文在理论分析的基础上提出了一种双储层结构的误差补偿回声状态网络,并设计了该网络的学习算法.该网络由计算层和补偿层构成,计算层主要承担拟合任务,补偿层则作为状态跟随器,实时补偿由于计算层对期望方差估计不足而导致的幅值偏差.对多阶振荡器和真实高阶非线性数据集的实验结果表明,本文所提网络结构较常规网络具有更高的稳定性和泛化性能,尤其对高阶非线性复杂模型的预测精度大幅度提升.

基于工况触发的采煤机滚筒截割高度模板生成方法

针对采煤机在工作过程中易受不同工况条件的影响导致滚筒调高精度低的问题,提出了一种基于工况触发的采煤机滚筒截割高度模板生成方法。对采煤机历史传感器数据进行预处理和特征提取,选择影响滚筒高度调节的截割电动机电流、截割电动机温度、俯仰角、横滚角、牵引速度5维特征数据,构建用于生成滚筒截割高度模板的补偿回声状态网络(C−ESN)模型;建立工况触发机制,将采煤机传感器实时数据输入C−ESN模型,以测试误差为判断准则,识别当前采煤机的工况为正常区域、三角煤区域或异常工况;最后,C−ESN模型生成相应的滚筒截割高度模板。当三角煤区域和正常区域测试误差都大于阈值时,采用迁移学习方法对测试误差小的截割高度模板参数进行修正,以保证异常工况下截割高度模板的精度。基于现场采煤机实际数据的实验结果表明:左右滚筒截割高度模板与实际截割高度相比,在正常区域的最大误差分别为11.47,9.96 cm,在三角煤区域最大误差分别为12.91,7.94 cm,能够满足工程实际要求;与传统回声状态网络和径向基函数网络模型相比,C−ESN模型的精度在正常区域分别提升了54%和57%,在三角煤区域分别提升了10%和69%。